無人駕駛原理與實踐（簡體書）

無人駕駛系統涉及的技術面非常廣泛，內容繁多，種類多跨度大。現階段而言，實現無人駕駛系統主要有兩種思路：一是傳統的機器人學的思路，另一種是採用深度學習的方法。這兩類技術都在不斷地發展，汽車公司和科技公司的無人駕駛汽車系統也往往融合了這兩類技術。本書將綜合這兩類技術，為讀者從原理到實踐詳細講解應用于無人駕駛汽車系統的關鍵技術，為意圖入門無人駕駛汽車領域的讀者打好基礎。閱讀完本書，讀者將有能力進入無人駕駛汽車這一前沿領域，進行更加深入的探索。

本書讚譽
序
前言
教學建議
第1章初識無人駕駛系統
11什麼是無人駕駛
111無人駕駛的分級標準
112無人駕駛到底有多難
12為什麼需要無人駕駛
121提高道路交通安全
122緩解城市交通擁堵
123提升出行效率
124降低駕駛者的門檻
13無人駕駛系統的基本框架
131環境感知
132定位
133任務規劃
134行為規劃
135動作規劃
136控制系統
137小結
14開發環境配置
141簡單環境安裝
142ROS安裝
143OpenCV安裝
15本章參考文獻
第2章ROS入門
21ROS簡介
211ROS是什麼
212ROS的歷史
213ROS的特性
22ROS的核心概念
23catkin創建系統
24ROS中的項目組織結構
25基於Husky模擬器的實踐
26ROS的基本編程
261ROS C++編程
262編寫簡單的發佈和訂閱程序
263ROS中的參數服務
264基於Husky機器人的小案例
27ROS Service
28ROS Action
29ROS中的常用工具
291Rviz
292rqt
293TF坐標轉換系統
294URDF和SDF
210本章參考文獻
第3章無人駕駛系統的定位方法
31實現定位的原理
32迭代最近點算法
33正態分佈變換
331NDT算法介紹
332NDT算法的基本步驟
333NDT算法的優點
334NDT算法實例
34基於GPS+慣性組合導航的定位系統
341定位原理
342不同傳感器的定位融合實現
35基於SLAM的定位系統
351SLAM定位原理
352SLAM應用
36本章參考文獻
第4章狀態估計和傳感器融合
41卡爾曼濾波和狀態估計
411背景知識
412卡爾曼濾波
413卡爾曼濾波在無人駕駛汽車感知模塊中的應用
42高級運動模型和擴展卡爾曼濾波
421應用於車輛追蹤的高級運動模型
422擴展卡爾曼濾波
43無損卡爾曼濾波
431運動模型
432非線性過程模型和測量模型
433無損變換
434預測
435測量更新
436小結
44本章參考文獻
第5章機器學習和神經網絡基礎
51機器學習基本概念
52監督學習
521經驗風險最小化
522模型、過擬合和欠擬合
523“一定的算法”――梯度下降算法
524小結
53神經網絡基礎
531神經網絡基本結構
532無限容量――擬合任意函數
533前向傳播
534隨機梯度下降
54使用Keras實現神經網絡
541數據準備
542三層網絡的小變動――深度前饋神經網絡
543小結
55本章參考文獻
第6章深度學習和無人駕駛視覺感知
61深度前饋神經網絡――為什麼要深
611大數據下的模型訓練效率
612表示學習
62應用於深度神經網絡的正則化技術
621數據集增強
622提前終止
623參數範數懲罰
624Dropout技術
63實戰――交通標誌識別
631BelgiumTS 數據集
632數據預處理
633使用Keras構造並訓練深度前饋網絡
64卷積神經網絡入門
641什麼是卷積以及卷積的動機
642稀疏交互
643參數共享
644等變表示
645卷積神經網絡
646卷積的一些細節
65基於YOLO的車輛檢測
651預訓練分類網絡
652訓練檢測網絡
653YOLO的損失函數
654測試
655基於YOLO的車輛和行人檢測
66本章參考文獻
第7章遷移學習和端到端無人駕駛
71遷移學習
72端到端無人駕駛
73端到端無人駕駛模擬
731模擬器的選擇
732數據采集和處理
733深度神經網絡模型構建
74本章小結
75本章參考文獻
第8章無人駕駛規劃入門
81無人車路徑規劃和A*算法
811有向圖
812廣度優先搜索算法
813涉及的數據結構
814如何生成路線
815有方向地進行搜索（啟發式）
816Dijkstra算法
817A*算法
82分層有限狀態機和無人車行為規劃
821無人車決策規劃系統設計準則
822有限狀態機
823分層有限狀態機
824狀態機在行為規劃中的使用
83基於自由邊界三次樣條插值的無人車路徑生成
831三次樣條插值
832三次樣條插值算法
833使用Python實現三次樣條插值進行路徑生成
84基於Frenet優化軌跡的無人車動作規劃方法
841為什麼使用Frenet坐標系
842Jerk最小化和5次軌跡多項式求解
843碰撞避免
844基於Frenet優化軌跡的無人車動作規劃實例
85本章參考文獻
第9章車輛模型和高級控制
91運動學自行車模型和動力學自行車模型
911自行車模型
912運動學自行車模型
913動力學自行車模型
92無人車控制入門
921為什麼需要控制理論
922PID控制
93基於運動學模型的模型預測控制
931將PID控制應用於轉向控制存在的問題
932預測模型
933在線滾動優化
934反饋校正
94軌跡追蹤
95本章參考文獻
第10章深度強化學習及其在自動駕駛中的應用
101強化學習概述
102強化學習原理及過程
1021馬爾可夫決策過程
1022強化學習的目標及智能體的要素
1023值函數
103近似價值函數
104深度Q值網絡算法
1041Q_Learning算法
1042DQN算法
105策略梯度
106深度確定性策略梯度及TORCS遊戲的控制
1061TORCS遊戲簡介
1062TORCS遊戲環境安裝
1063深度確定性策略梯度算法
107本章小結
108本章參考文獻